Ce projet propose une implémentation de différentes méthodes numériques, telles que la résolution d'équations différentielles, le calcul matriciel et l'interpolation numérique. Il vise à fournir des outils performants et simples d'utilisation pour les ingénieurs et les chercheurs en sciences numériques.

Ce projet propose un ensemble de ressources pédagogiques pour l'enseignement du contrôle optimal et des systèmes dynamiques. Il inclut des notes de cours détaillées, des sujets de travaux pratiques et des outils numériques pour illustrer les méthodes indirectes, directes et de tir. Destiné aux étudiants en sciences du numérique, il couvre également des concepts avancés comme le calcul différentiel et les équations différentielles ordinaires.

Ce projet propose des ressources pédagogiques dédiées au contrôle optimal, une branche des mathématiques appliquées essentielle en automatique et en ingénierie. Il inclut des notes de cours détaillées, des sujets de travaux pratiques (TP) et des outils pour l'analyse des systèmes dynamiques. Destiné aux étudiants de l'ENSEEIHT, il couvre des méthodes comme le tir simple, les approches directes et indirectes, ainsi que des applications en navigation marine et en calcul différentiel.

LibPFASST est une bibliothèque logicielle dédiée à la résolution de problèmes mathématiques complexes, notamment les équations différentielles partielles. Elle permet de simuler des systèmes physiques ou chimiques en utilisant des méthodes numériques avancées comme les méthodes de décomposition de domaine. Utilisée dans des environnements de calcul intensif, elle optimise les performances des simulations pour des applications scientifiques ou industrielles.

Ndg2d est un solveur numérique basé sur la méthode des éléments finis discontinus nodaux. Il permet de résoudre des équations différentielles partielles en 1D, 2D et 3D, notamment pour des applications en mécanique des fluides et en physique des milieux continus. Le projet est conçu pour des simulations précises et parallélisables, avec une gestion optimisée des calculs intensifs.

Ce projet propose un cours complet sur le calcul différentiel et les équations différentielles ordinaires, destiné à une formation en modélisation et intelligence artificielle. Il inclut un polycopié détaillé, des travaux pratiques utilisant le langage Julia, et des ressources complémentaires pour approfondir les liens entre ces concepts mathématiques et l'apprentissage automatique. Le contenu est adapté à un public étudiant en formation continue ou initiale.

Ce projet fournit un ensemble de ressources pédagogiques et d'exercices dédiés à l'apprentissage du calcul différentiel et des équations différentielles ordinaires (EDO). Il s'adresse principalement aux étudiants en mathématiques ou en sciences appliquées, en offrant des outils pour faciliter leur compréhension et leur pratique de ces concepts fondamentaux.